位移反分析的进化支持向量机研究

将支持向量机与遗传算法相结合，提出了一种用于位移反分析的进化支持向量机方法。这种方法基于试验设计和有限元计算获得学习样本和检验样本，用遗传算法搜索最优的支持向量机参数，用获得的最优模型进行学习，从而获得岩体的力学参数与位移之间的非线性映射关系，再用遗传算法从全局空间上搜索，进行岩体力学参数的识别。给出的两个算例结果是令人满意的。     

基于支持向量机的边坡稳定性预测模型

根据影响边坡稳定性的主要因素,建立了边坡稳定性的支持向量机预测模型。该模型通过有限的经验数据的学习,建立了边坡稳定性与其影响因素之间的非线性关系。运用所建立的模型对具体的岩体边坡进行了判定,由结果知,基于线性核的支持向量机分类器不能有效地建立边坡稳定与影响因素之间的非线性映射,而基于神经网络核及径向基函数核的分类器能正确判定边坡的稳定性。     

非线性位移时间序列预测的进化-支持向量机方法及应用

提出了一种新的岩土结构位移预测的进化支持向量机方法,用遗传算法来搜索支持向量机的参数和核函数,避免了人为选择参数的盲目性,同时提高了支持向量机的推广预测能力;利用这种非线性智能预测方法,滚动预测施工位移变形量,以便及时调整和优化施工步序,维护岩土结构的稳定性。将该方法用于卧龙寺边坡变形、三峡永船闸边坡变形预测,结果表明,该方法具有科学可靠、实时性的优点,具有广泛的应用前景。     

基于支持向量机和模拟退火算法的位移反分析

提出了一种基于支持向量机和模拟退火算法的位移反分析方法,一方面用支持向量机代替有限元计算提高计算分析速度,另一方面用模拟退火算法代替传统的优化算法,避免优化过程中目标函数陷入局部极小值而无法继续寻优的状态,从而提高反演的效率精度。应用该方法对边坡的岩体力学参数进行反演,反演结果验证了模型的可行性。     

基于微粒群优化的智能位移反分析研究

优化技术是影响反分析精度和效率的重要因素,将微粒群优化技术与支持向量机技术结合,提出了一种新的智能位移反分析方法。该方法利用了支持向量表达非线性关系方面的优良特性,可以避免大量的数值计算,同时充分利用微粒群的全局优化、收敛速度快的优点。将提出的方法应用到具体的算例中,比较表明,本方法是一种科学、可行、收敛快、精度高的优秀算法。     

滑坡位移预测的支持向量机模型参数选择研究

支持向量机(Support Vector Machine, SVM)已被广泛应用到滑坡位移预测,但在具体使用时,SVM的惩罚系数C、核函数参数δ及松弛系数ζ这三个重要参数的取值选择成为影响预测精度的关键。为有效分析SVM三参数取值对滑坡位移预测精度的影响规律,以三峡库区浮托减重和动水压力型两类典型水库滑坡为代表的连续6年地表位移、降雨及库水位监测数据为研究对象,首先,采用移动平均法将位移数据分解为趋势项和周期波动项,并区分训练集和检验集;再结合对滑坡变形机理及影响因素的分析,选择相应预测变量分别建立趋势项和波动项位移预测SVM模型;然后,在固定两参数情形下,通过改变另一参数的取值大小以获得SVM训练集与检验集的预测精度变化规律;最后,建立起典型水库滑坡SVM位移分解预测的参数取值推荐范围。该取值范围可以作为滑坡位移预测SVM模型的参数寻优初始搜索范围,可以在保证预测精度的前提下大大提高搜索效率。     

边坡位移非线性时间序列采用支持向量机算法的智能建模与预测研究

介绍了人工智能领域最新的基于结构风险最小化原理的数据挖掘算法---支持向量机算法,运用Matlab语言编写了程序,采用不同的核函数对具体的边坡工程实例作了计算,并将人工神经元网络计算结果与之对比,可见无论是在学习或预测精度方面,支持向量机算法较基于经验风险最小化原理的人工神经元网络算法都有很大的优越性,可以运用于实际工程。     

基于支持向量机的抗滑桩加固边坡可靠度分析

文中采用可靠度指标来评价抗滑桩加固边坡的稳定性,提出了基于支持向量机模型的一阶可靠度分析方法。使用支持向量机来构建描述边坡安全系数等输出响应量与边坡土体参数等输入响应量间定量函数关系的模型,来代替真实的数值计算,并从边坡安全性与桩身安全性两个方面展开桩加固边坡的一阶可靠度分析。通过一实际的抗滑桩加固边坡的案例验证了该方法的有效性。结果表明,以边坡安全系数的可靠度来评价抗滑桩加固边坡的稳定性是不全面的,应同时考虑抗滑桩弯矩的可靠度。     

基于支持向量机的潜在高血压预测研究

随着高血压患者的逐渐增多,并且日趋于年轻化,如何防治高血压病成为重要课题。鉴于此现状,文章提出基于支持向量机的高血压预测方法。根据支持向量机原理,对高血压病理属性进行分类,建立高血压病的预测模型,通过计算不同分类属性的权重指数,获取不同属性对高血压病影响的重要程度等级,进而实现潜在高血压病的预测。实验结果表明,利用支持向量机算法能够有效对潜在高血压病进行预测,为早期高血压病的检测与防治提供理论支持。     

基于时间序列与PSO-SVR耦合模型的白水河滑坡位移预测研究

 滑坡位移预测模型的选择及其参数的选取是滑坡位移预测中至关重要的2个问题,以往的模型在预测滑坡位移时具有诸多的限制和不足。以三峡库区白水河滑坡为研究对象,基于时间序列分析方法,分离提取出滑坡趋势性位移与周期性位移。前者主要受控于滑坡的内部因素(物质组成、地质构造、地形地貌等),可用最小二乘法对其进行多项式拟合并预测;后者是由外部影响因素(季节性降雨、库水位变动等)导致,取当月降雨量、双月降雨量、库水位高程、月间库水位变化量、双月库水位变化量和年间累计位移增量作为周期性位移的影响因子,提出采用可优化选参的粒子群优化算法(PSO)与支持向量机回归(SVR)相结合的方法对其进行预测;将各分位移预测值叠加得到累计位移预测值。运用多种方法进行分析对比,结果表明,基于时间序列与PSO-SVR耦合模型的滑坡位移预测精度要明显高于BP神经网络模型、网格搜索法优化的支持向量机模型(GS),其在滑坡位移预测中具有一定的理论基础和良好的应用前景。     

基于PSO-SVM模型的深基坑变形预测研究

深基坑变形预测一直是深基坑工程的一个重点研究课题,具有十分重要的理论意义和实际价值.支持向量机是一种基于结构风险最小化原理的机器学习算法,它具有很好的泛化能力,能够有效地解决小样本、非线性、高维数、局部极小等问题.本文将支持向量机(SVM)理论引入到深基坑的变形预测当中,同时,采用粒子群算法(PSO)来优化SVM的相关...     

岩爆基于支持向量机预测的智能模型

根据岩爆预测的特性,引入了支持向量机SVM的新方法,研究了支持向量机的基本原理及其在岩爆预测中的模型建立,通过某工程的实际应用证明：支持向量机在岩爆预测中取得了较好的效果。     

基于支持向量机的建筑物空调负荷预测模型

建立了基于支持向量机(SVM)理论的建筑物空调负荷预测模型.对广州地区某办公楼夏季不同月份的逐时空调负荷,分别用SVM模型和BP神经网络模型进行了训练和预测.仿真结果表明,SVM模型具有更高的预测精度和更好的泛化能力,是建筑物空调负荷预测的一种有效方法.     

基于支持向量机的边坡可靠性分析

将支持向量机与一阶二次矩方法结合,提出了边坡可靠性分析的支持向量机方法。利用极限平衡分析构造学习样本,通过支持向量机学习,建立安全系数与随机变量之间映射关系的支持向量机表达,进而实现边坡极限状态函数及其偏导数的显式表达,从而计算边坡的可靠性指标。该方法避免了传统可靠性分析的缺点。利用一个算例进行了分析,结果表明:该方法计算效率高,结果可靠,对含有大量随机变量的复杂岩土工程可靠性分析具有很大的潜力,具有广泛的应用前景和工程价值。     

基于机器语言的建筑混凝土设计

建筑混凝土的强度受多种因素的影响,其强度的预测是一个多指标综合复杂问题。基于机器算法支持向量机建立了建筑混凝土的强度设计与预测的支持向量机模型,其中模型参数通过粒子群算法进行选择和优化。将建立的模型计算结果与实测混凝土28 d抗压强度进行比较,讨论了各因素与强度值之间的关系。研究表明:预测结果与实测结果一致,可见该模型可以很好的为混凝土设计提供依据。     

支持向量机在隧洞超挖预测中的应用

介绍了支持向量机算法及围岩破坏模式识别的支持向量机算法,利用支持向量法分类算法对隧道围岩超挖块体的大小进行了分类,并建立了预测模型,计算结果表明用支持向量机能较好地预测超挖块体的大小。